REVISTA UD Y LA GEOMÁTICA

https://revistas.udistrital.edu.co/index.php/UDGeo/index

INVESTIGACIÓN

Impacto de las tecnologías disruptivas en la percepción remota:

big data, internet de las cosas e inteligencia artificial
Impact of disruptive technologies in remote sensing:
Big data, internet of things and artificial intelligence.
Jonás C. León Pérez1

Para citar este artículo: León-Pérez, J.C. (2019). Impacto de las tecnologías disruptivas en la percepción remota: big
data, internet de las cosas e inteligencia artificial. UD y la Geomática, 14, 54-61.
DOI: https://doi.org/10.14483/23448407.15658

Fechas de recepción: 01 de julio de 2019 Fecha de aceptación: 01 de diciembre de 2019

RESUMEN ABSTRACT

En la actualidad, las tecnologías disruptivas, como big data (BD),
internet de las coas (IoT), inteligencia artificial (IA) y compu-
tación en la nube, tienen un gran impacto en la industria, las
finanzas, la medicina y la agricultura. La percepción remota no
es ajena a ellas. En consecuencia, en este artículo se destacan las
características de big data de las imágenes (volumen, variedad y
velocidad); la integración de los sensores remotos, con los senso-
res cercanos y embebidos, vía internet, configurando el internet
de las cosas en percepción remota, y el impacto de la inteligencia
artificial, que con sus componentes como las redes neuronales
artificiales y los software inteligentes, permiten analizar las imá-
genes, conocer de manera automática su contenido de nubes, y
diseñar naves espaciales autónomas que envían a la Tierra solo
información relevante. Se concluye que el mayor potencial de ellas
se manifiesta cuando actúan de manera integrada, como en el
caso de la agricultura inteligente.
Palabras clave: agricultura inteligente, computación en la
nube, sensores cercanos, sensores embebidos, sensores remotos,
tecnologías disruptivas.
Currently, disruptive technologies such as big data (BD), the
internet of the things (IoT), artificial intelligence (AI) and cloud
computing, have a great impact in the fields such as industry,
finance, medicine and agriculture. Remote sensing is not alien to
it. Consequently, this article highlights the big data characteristics
of the images (volume, variety and velocity); the integration of
remote sensors, with nearby and embedded sensors, via the inter-
net, configuring the internet of things in remote perception, and
the impact of artificial intelligence, which with its components
such as artificial neural networks and intelligent software, allow
Analyze images, automatically know their cloud content, and de-
sign autonomous spacecraft that send only relevant information
to earth. It is concluded that the greatest potential of them is
manifested when they act in an integrated manner as in the case
of intelligent agriculture.
Keywords: smart agriculture, cloud computing, proximal sen-
sors, embedded sensors, remote sensing, disruptive technologies.

1 Universidad Escuela Colombiana de Carreras Industriales (ECCI), Bogotá, Colombia. jleonp@ecci.edu.co

UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407

[ 54 ]
 Jonás C. León Pérez
Introducción
En la presente era digital, las actividades científicas de
observación de la Tierra (EO) han experimentado un cre-
cimiento rápido, y cada vez más, diversos sectores econó-
micos tienden a utilizar los datos adquiridos por sistemas
satelitales de posicionamiento global, fotogrametría digital,
sensores remotos multi- e hiperespectrales, ubicados en sa-
télites, aviones y vehículos aéreos no tripulados, empleando
sensores pasivos y activos de microondas (radar) y lidar,
con diferentes resoluciones temporales, espaciales, espec-
trales y radiométricas. Los datos e información resultantes
son representados en capas digitales, para ser analizados en
los sistemas de información geográfica y sistemas de toma
de decisiones (Gomarasca 2009), con la finalidad de dar
respuesta a los problemas que aquejan a la sociedad.
En cuanto a los sensores y sus plataformas, Viscarra,
McBratney y Minasny (2010), y Gomarasca (2009) hacen
referencia a los sensores próximos o cercanos (proximal
sensing), para diferenciarlos de los sensores remotos tradi-
cionales que los denominan sensores remotos lejanos (far
remote sensing). Los sensores próximos son definidos como
[...] técnicas basadas en el terreno, que pueden ser usadas
para medir propiedades del suelo (también de la vegetación
y de los minerales), desde una distancia de dos (2) metros o
menores, sobre la superficie terrestre. Los sensores pueden ser
invasivos, o no, y pueden ser estáticos o estar montados en
vehículos para ejecutar operaciones en movimiento. (Adan-
chuck y Viscarra 2010, p. 15-16)
Pero, además, en la actualidad se habla de los sensores
embebidos que transmiten la información vía internet y que
están distribuidos globalmente, con crecimiento exponen-
cial (Jordan 2018).
Visto lo anterior, se puede afirmar que los sensores pue-
den estar en todas partes (ubicuidad), en todas las cosas, y
son cada vez más pequeños, rápidos, precisos, más eficien-
tes en el uso de la energía, inalámbricos y más inteligentes,
conduciendo de manera irreversible a la sensorización de la
sociedad (Jordan 2018).
Sin embargo, en esta era digital, sensorizada, con
sistemas de observación de la Tierra más sofisticados,
multiescalas, multifuentes y dinámicos, que producen dia-
riamente cantidades masivas de datos que, a su vez, hacen
excepcionalmente complejos su visualización, análisis e in-
terpretación, aspectos que están muy lejos de ser resueltos
por los métodos convencionales (Wang et al., 2016), el
dilema es: qué hacer. La respuesta es, sin dudas, desarro-
llar nuevos métodos computacionales, nuevos algoritmos,
nuevas técnicas estadísticas, nueva estructura tecnológica
y, sobre todo, capacitar al recurso humano. Los desarrollos
mencionados se hacen realidad en las llamadas tecnolo-
gías disruptivas integradas por, entre otras, la inteligencia
artificial (IA), big data (BD), Internet de las cosas (IoT),
UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407
[ 55 ]
blokchain, computación en la nube, computación cuántica,
aprendizaje de máquina y minería de datos (Chi et al.,
2016), tecnologías que deben y son aprovechadas de ma-
nera eficiente por la percepción remota (Liu, 2015; Chi et
al., 2016; Wang et al., 2016; Villa et al., 2015; Liu, Di, Du
y Wang, 2018).
Una justificación para el aprovechamiento mencionado
es el hecho de que los datos producidos por la percepción
remota, entre ellos las imágenes, tienen las característi-
cas de los llamados big data, razón por la cual deben ser
tratados como tales (Liu et al., 2018; Green, 2018; Dey,
Bhatt y Ashour, 2019), y porque sus sensores de diferentes
características pueden ser interconectados, esencia el IoT.
Por otra parte, tanto big data como internet de las cosas
son potenciados por la intervención de la inteligencia ar-
tificial, situación que ha servido para considerar a las tres
tecnologías como los ejes de la llamada cuarta revolución
industrial (Schwab, 2016).
En consecuencia, el presente artículo tiene como ob-
jetivo analizar las particularidades de cada una de las tres
tecnologías y sus impactos en la percepción remota, con el
propósito de aprovechar sus aportes, para un mejor enten-
dimiento del planeta tierra.
Las tecnologías disruptivas
La tecnología ha sido siempre un impulsor de las capa-
cidades humanas –aunque de una manera pasiva–, y ha
ayudado al cumplimiento de ciertas tareas. Hoy se ve un
cambio drástico. Por primera vez la tecnología toma un rol
activo en el trabajo junto a los seres humanos y, en algunos
casos, reemplazándolos. En este contexto, las tecnologías
disruptivas son aquellas que rompen con las que existían
hasta el momento, generando resultados novedosos en sus
aplicaciones, como hacer que los objetos hablen entre ellos.
Big data: big data de sensores remotos (remote sensing
big data)
Los big data (BD) son una nueva generación de tecnolo-
gías y arquitecturas diseñadas para extraer valor de grandes
volúmenes de datos, de una amplia variedad de fuentes, al
permitir a alta velocidad, su captura y análisis. En con-
creto, los BD se reconocen por sus tres características:
volumen, variedad y velocidad (las 3 ves). De igual forma,
los datos masivos de sensores remotos pueden ser descritos
por las mismas tres dimensiones (Chi et al., 2016; Salazar
y Fedez-Arroyabe, 2019), como se expone en los párrafos
siguientes.
Volumen. La red de sensores de observación de la Tierra
desplegados alrededor del mundo tiene más de 200 senso-
res satelitales en órbita (Salazar y Fedez-Arroyabe, 2019).
Ellos recopilan ingentes volúmenes de datos, desde terabytes
 Impacto de las tecnologías disruptivas en la percepción remota: big data, internet de las cosas e inteligencia artificial
(TB =1024 GB), a petabytes (PB = 1024 TB), y a veces a
exabytes (EB =1024 PB). Por ejemplo, solamente el archivo
de la NASA tiene almacenado 7,5 petabytes en imágenes de
sensores remotos. Así mismo, a cada pixel AVHRR – NOAA
de un km² le corresponde 106 pixeles de 1 m², de una imagen
de alta resolución (Moclan, 2016).
Por su parte, esa enorme cantidad de datos presenta ven-
tajas y problemas para los investigadores (Liu, 2015). Por
un lado, se cuenta con buena información para afrontar un
determinado problema pero, por otro, se requiere de centrales
de datos con grandes exigencias para el almacenamiento, pro-
cesamiento y transmisión de los datos de sensores remotos.
Variedad. Se refiere al número de tipos de datos. Al
respecto, según Salazar y Fedez-Arroyabe (2019), antes de
emprender cualquier análisis se debe hacer una diferenciación
clara entre datos de sensores remotos y datos de percepción
remota. Los primeros (dispositivos conectados a internet,
como teléfonos móviles, tabletas, cámaras móviles o instru-
mentos de monitoreo) colectan zetabytes (ZB =1024 EB)
de información no estructurada y semiestructurada, desde
múltiples usuarios. Por el contrario, los segundos, como las
imágenes, están principalmente relacionados con información
estructurada, como se observa en la figura 1.
Figura 1. Datos de sensores remotos vs. Datos de percepción remota
Fuente: tomado de Salazar y Fedez-Arroyabe (2019).
De manera específica, cuando se trata de información
proveniente de la percepción remota, la variedad se refiere
a la resolución diferente de los datos capturados (espectral,
temporal, espacial y radiométrico), como también al hecho
de que los sensores son diseñados para propósitos específi-
cos (ambiental, oceanografía, hidrología, vegetación, suelos,
etc.), por tanto, tienen diferentes características.
Velocidad. La velocidad de los big data en percepción re-
mota, incluye no solamente la generación de datos a una rata
de crecimiento alta, sino también la eficiencia en el procesa-
miento, análisis y transmisión de los datos. Por lo mismo, en
la actualidad hay una presión sobre los grupos encargados de
UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407
[ 56 ]
la analítica, para encontrar soluciones a muchos problemas,
considerando que la velocidad del manejo de datos no está
relacionada exclusivamente con la capacidad de máquinas y
dispositivos electrónicos, sino también con la capacidad del
ser humano para transformar los datos brutos en aplicaciones
útiles.
Además, la habilidad para tomar decisiones sobre temas
complejos, en tiempo (casi) real, es uno de los retos más
grandes para la percepción remota, porque ellas a menudo
están asociadas a eventos críticos como: terremotos, inun-
daciones, incendios, riesgos epidemiológicos, etc. (Chi et al.,
2016; Salazar y Fdez-Arroyabe, 2019).
Las tres propiedades de los BD descritos son considera-
das claves, pero otros autores proponen dos más: veracidad
y valor. Así, la veracidad de los datos masivos de percep-
ción remota necesita ser aprobada antes de ser usada para
propósitos específicos, proceso en el cual se verifica cómo
fueron adquiridos, depurados, transformados e integrados.
En primera instancia se afirma que los datos de sensores
remotos son muy confiables, debido a que presentan infor-
mación estructurada, precedida por la calibración de los
sensores (Salazar y Fedez-Arroyabe, 2019) y porque siem-
pre informan del grado de incertidumbre y precisión (Mo-
clan, 2016). Por otro lado, el valor se refiere a la capacidad
de extraer la información oculta en los datos masivos, para
luego tomar decisiones acertadas (Chi et al., 2016).
Analítica de los datos masivos (BD)
El manejo eficiente de los datos de sensores remotos pre-
senta grandes retos, debido a su complejidad, diversidad y
volumen. Según Zhang, Du y Datcu (2015), en la actuali-
dad hay un desequilibrio entre la capacidad de adquisición
de datos y la capacidad de su manejo y análisis. Para este
último caso se hace necesario desarrollar técnicas analíticas
avanzadas.
En este contexto hace presencia la analítica, como el
cerebro del BD y por extensión, del BD de sensores remo-
tos, que se define como el “proceso de examinar a una gran
velocidad, grandes volúmenes de datos, de una variedad
de tipos y de gran valor, para descubrir patrones ocultos,
correlaciones desconocidas y otras informaciones útiles”
(Joyanes, 2013). Para cumplir su función, la analítica hace
uso de técnicas de la inteligencia artificial como la minería
de datos y el aprendizaje de máquina.
Así mismo, la analítica de datos espaciales es compu-
tacionalmente exigente. Entonces, para mejorar la esca-
labilidad del manejo de la información masiva dentro del
big data, los investigadores ponen su atención en los para-
digmas de la computación paralela y, especialmente, en la
computación en la nube.
Con respecto al segundo paradigma, se puede decir
que está emergiendo como una solución, gracias a que
las infraestructuras de procesado están virtualizadas como
 Jonás C. León Pérez
una computadora física real, pero con procesadores más
potentes y con memoria y tamaño de disco adaptable al
usuario, lo que hace económicamente viable acceder de
manera remota a gran cantidad de datos en tiempo real
(Moclan, 2016). En el campo de la percepción remota, la
computación en la nube ha mostrado su gran capacidad de
agregación, de gran diversidad de datos (Chi et al., 2016).
Para conocer la aplicabilidad real de la computación en
la nube, se mencionan los casos desarrollados por Moclan
(2016), referentes a inundaciones, impacto ambiental y
agricultura. El esquema metodológico básico es el mismo
para los tres casos, por lo que se expone brevemente lo re-
lacionado con el impacto ambiental causado por la defores-
tación en países tropicales, como se muestra en la figura 2.
Las fuentes de información son las imágenes pro-
porcionadas por Deimos (satélite español), Sentinel-2 y
Landsat-8, además de mapas de incendios, uso del suelo,
modelos digitales del terreno, que en conjunto son enviados
a la nube, para su tratamiento con algoritmos específi-
cos de gran capacidad analítica. Independientemente de
la variedad y complejidad de las técnicas utilizadas para
procesar los datos, será el resultado lo que permitirá al
usuario tomar las decisiones adecuadas, tanto correctivas
como preventivas.
Finalmente, se puede argumentar que la naturaleza
espacial de los datos masivos de la percepción remota adi-
ciona un valor especial a la nueva era digital, incluyendo un
nuevo paradigma denominado computación en la nube es-
pacial (SCC, spatial cloud computing) (Yang et al., 2011).
Internet de las cosas (IoT)
Se entiende por internet de las cosas (IoT, internet of
things) a la interconexión de objetos a través de inter-
net, que tienen una representación física o virtual en el
Figura 2. Esquema de elementos integrados en big data para la vigilancia medioambiental.
Fuente: tomado de Moclan (2016).
UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407
[ 57 ]
mundo digital, con capacidad para detectar y actuar y ser
programables (Tzafestas, 2018). Las cosas se refieren en
general a todos los objetos que son reconocibles, localiza-
bles, ubicables y controlables vía internet. Las categorías
de la interconexión mencionada son: maquinas con máqui-
nas (M2M, machine to machine), personas con máquinas
(P2M, people to machine) y personas con personas (P2P,
people to people).
Por otra parte, es conocido que los sensores remotos
son una fuente importante de datos espaciales. Pero estos
no solo pueden venir de los sensores ubicados en aviones,
satélites y drones, sino también de sensores ubicados en el
terreno (sensores cercanos y embebidos); así, se configura
una red de sensores inalámbricos (WSN, wireless sensor ne-
tworks), situación que mejora sustancialmente la capacidad
para entender el mundo natural y artificial.
Además, es conveniente aclarar que diferente a los sen-
sores de percepción remota, que utilizan la reflexión de la
radiación electromagnética, por parte de los objetos de la
superficie terrestre, los sensores embebidos son usualmente
de naturaleza electromecánica que recopilan mediciones
físicas (Lyer, 2018). Entonces, dependiendo de los hallaz-
gos, el sistema puede estimular los comandos para detener
ciertas acciones, o crear alertas acerca de potenciales pro-
blemas, para promover una acción preventiva.
Sinergia entre internet de las cosas y percepción remota
Los avances en las tecnologías de la percepción remota y el
IoT están borrando la distancia entre los dos. Esto se debe
a que, a pesar de que fueron concebidos en circunstancias
diferentes, ambos tienen la necesidad de recolectar datos y
ambos tienen la capacidad para analizar los datos.
En el aspecto práctico, hay muchas aplicaciones de
monitoreo donde se requiere de observaciones frecuen-
tes debido a la posibilidad de cambios drásticos en poco
 Impacto de las tecnologías disruptivas en la percepción remota: big data, internet de las cosas e inteligencia artificial
tiempo, cuya atención inoportuna puede derivar en costos
cuantiosos. En estos casos, la percepción remota y la IoT
son métodos esencialmente complementarios, que contri-
buyen a resolver problemas.
Así, para el caso mencionado en el párrafo anterior, los
métodos de la percepción remota pueden ser considerados
como IoT extrínsecos, en contraste con el IoT tradicional,
que utiliza sensores embebidos o intrínsecos (Lyer, 2018)
(figura 3).
Un ejemplo de la complementariedad es cuando los
sensores embebidos detectan estrés de humedad del suelo,
que afectará a las plantas, mientras los sensores remotos
(Multiespectrales, hiperespectrales, termales) mostrarán,
además, la distribución espacial del fenómeno. Analizando
en conjunto los datos producidos por las dos tecnologías,
podrían ayudar a reducir costos y a actuar de manera pre-
ventiva (Lyer, 2018), como sucede en la agricultura de
precisión.
Inteligencia artificial (IA)
La inteligencia artificial (IA) como tecnología es reciente,
aunque como concepto es antiquísimo. Ella ha evoluciona-
do con rapidez aprovechando el desarrollo de la electrónica
(León, 2010a). La IA fue definida por John McCarthy, en
1956 (citado por Openshaw y Openshaw, 1997) como la
ciencia y la ingeniería de fabricar máquinas con una inteli-
gencia parecida a la humana y programas de computadora
que pudieran entender, inferir y sentir, y aprender.
Los principales componentes de la IA son: robótica y
vida artificial, redes neuronales artificiales (RNA), apren-
dizaje de máquina, lenguaje natural, sistemas expertos,
percepción y conocimiento (Tzafestas, 2018; McAllister,
1991). Por el alcance del documento y considerando lo
Figura 3. Relación entre la percepción remota y el internet de las cosas
Fuente: tomado de Lyer (2018).
UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407
[ 58 ]
que se tratará en la sección de aplicaciones, se incidirá
solamente en los componentes RNA y conocimiento.
Las RNA son sistemas que copian esquemáticamente
la estructura neuronal del cerebro humano, para tratar de
reproducir sus capacidades. En consecuencia, las RNA son
capaces de aprender de la experiencia a partir de señales
o datos provenientes del exterior, dentro de un marco de
computación paralela o distribuida (Sierra, Bonson, Núñez
y Orta, 1995; León 2010a). Por su parte, el conocimiento
implica la resolución de cualquier problema, el cual debe
ser codificado para su adecuación al modo de trabajar de
las máquinas.
En sus múltiples aplicaciones las RNA han sido impor-
tantes, entre otras, en la geografía (Openshaw y Openshaw,
1997), en los sistemas de información geográfica (SIG),
donde tuvo gran influencia, hasta considerarse el desarrollo
de un SIG inteligente (Burrough, 1992) y, por supuesto, en
el campo de la percepción remota (León, 2010a).
Sinergia entre la inteligencia artificial y la percepción remota
Dos ejemplos que se mencionan a continuación de-
muestran claramente la relación entre la IA y la percepción
remota (León, 2010a). El primer caso se refiere a la de-
tección y enmascaramiento automático de las nubes, pre-
sentes en las imágenes obtenidas por los satélites, en este
caso SPOT. Este proyecto desarrollado por SPOT Image
quería superar el trabajo tedioso de calcular el porcenta-
je de nubes en cada imagen, de manera manual, para lo
cual desarrolló un software denominado EDEN (del francés
Outdil d’Extration de Nuages), teniendo como eje las redes
neuronales artificiales que fueron entrenadas para reconocer
los diferentes tipos de nubes y calcular los porcentajes en
cada escena (León, 2010a). El esquema de funcionamiento
de EDEN se ilustra en la figura 4.
 Jonás C. León Pérez
Figura 4. Proceso de entrenamiento de la RNA para reconocer y clasifi-
car diferentes tipos de nubes
Fuente: Tomado de León (2010a)
El segundo hace referencia a las naves espaciales autó-
nomas (ASE, por su sigla en inglés) para la observación de
la tierra, desarrolladas por la National Aeronautics and Spa-
tial Administration (NASA), que funciona con un software
basado en IA (software inteligente), que le permite tomar
decisiones a bordo luego de que múltiples algoritmos detec-
ten y analicen eventos científicos (erupciones volcánicas,
inundaciones, desplazamiento de masa de hielo, y presencia
y cobertura de nubes) y retransmitir a Tierra solamente
datos de alto valor, con pocas nubes o libres de ellas. Si el
porcentaje es alto, el sistema borrará automáticamente la
Figura 5. Algoritmo inteligente para la detección automática de nubes
Fuente: tomado de León (2010a).
UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407
[ 59 ]
escena para no ser enviado a la estación terrestre, ahorran-
do energía de transmisión de datos y costos por recepción
y almacenamiento de estos (Chien, 2004). La figura 5 pre-
senta un algoritmo inteligente para la detección automática
de nubes, donde se identifican las bandas espectrales del
sensor hiperespectral hyperion, seleccionadas para ese fin.
Otro ejemplo que destaca la relación IA-PR es el desa-
rrollado por el proyecto Myriad, con la finalidad de detectar
cambios en sectores industriales sensibles. El proyecto hace
uso de los datos producidos por Sentinel 1-3. Los cambios
son detectados por una red neuronal, que es entrenada
con una variedad de conjuntos de datos relacionados con
escenarios industriales. Si la red detecta anomalías, esta in-
formación es enviada a una nave aérea no tripulada (UAV)
automática, que inmediatamente programa su plan de vue-
lo sobre el área crítica. El usuario recibe los resultados en
una aplicación web, quien luego de analizarlos tomará las
acciones correspondientes (Madrigal, 2019).
Integración de las tecnologías disruptivas con la
PR
El gran potencial de las tecnologías disruptivas está en su
capacidad de interconectarse vía internet (hiperconectivi-
dad) y de trabajar de manera complementaria para res-
ponder con soluciones eficientes, en tiempo casi real, a los
problemas para los cuales han sido invocados.
Como se expuso en la sección anterior, la percepción
remota se relaciona con esas tecnologías, para mostrar su
máximo potencial. Pero, los trabajos mencionados indican
relaciones casi uno a uno (BD-PR, IoT-PR, IA-PR), que no
 Impacto de las tecnologías disruptivas en la percepción remota: big data, internet de las cosas e inteligencia artificial
evidencian la complementariedad necesaria, salvo un traba-
jo de Channe, Kothari y Kadam (2015), que integra varias
tecnologías en un modelo para desarrollar una agricultura
de precisión eficiente.
Un caso típico de las ventajas de la integración de las
tecnologías referidas es, sin dudas, la agricultura inteligente,
de la que forma parte la agricultura de precisión, que es de-
finida como el conjunto de tecnologías que buscan optimizar
la producción agrícola a través del manejo de la variabilidad
(espacial y temporal) de los factores de producción (Leiva,
2008; León 2010b; Guerrero-Ibáñez et al. 2017). En la figura
6 se ilustran sus componentes (Kruize, 2017).
Como es evidente, en ella están presentes, en primer
término los tres tipos de sensores: los embebidos, que to-
marán los datos de la humedad y temperatura del suelo;
los cercanos, que determinarán la humedad ambiental, el
estrés hídrico de los cultivos, presencia de algunas plagas,
rendimiento de los cultivos, estado de salud de los animales,
etc., y los remotos, ubicados en drones, aviones o satélites,
para reforzar los hallazgos de los anteriores y mostrar la
distribución espacial de los temas en investigación. Todos
los datos obtenidos por los sensores interconectados (fun-
damento del IoT), se convierten en datos masivos (BD),
para cuyo análisis (analítica) utilizando minería de datos y
aprendizaje de máquina (IA), son enviados a la nube (cloud
computing), donde se pueden determinar, por ejemplo, el
índice de vegetación (NDVI) o las necesidades de riego, en
tiempo (casi) real. Los resultados serán enviados al usuario
final para la toma de decisiones.
Vista la complementariedad de las tecnologías disrup-
tivas con la percepción remota, tomando el caso de la
agricultura inteligente, se puede afirmar que gracias a ellos
los agricultores se benefician, ya que pueden conocer en
tiempo real las condiciones del área cultivada, el uso de
insumos, a través de la aplicación exacta y en los tiempos
Figura 6. Componentes de una agricultura inteligente
Fuente: Tomado de Kruize (2017)
UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407
[ 60 ]
adecuados, sin contaminar el medio ambiente, con lo cual
se contribuye a una producción más sustentable.
Conclusiones
La percepción remota, por su naturaleza multitemporal,
multifuente, multiescala, genera datos en gran volumen, de
gran variedad y velocidad, configurando un big data, por lo
que deben ser tratados como tales.
• El internet de las cosas posibilita la conexión entre
los sensores remotos, los cercanos y los embebidos
(M2M), vía internet, haciendo que los datos produ-
cidos por cada uno de ellos sean complementarios;
lo cual facilita una respuesta en tiempo (casi) real,
a los problemas para los cuales son requeridos.
• La inteligencia artificial, a través de sus componen-
tes como redes neuronales artificiales y software
inteligentes, ha sido y es de apoyo eficiente para
la percepción remota tanto para el análisis de las
imágenes, como para la cuantificación del porcen-
taje de nubes en las cuantiosas imágenes recibi-
das, y para hacer posible que las naves espaciales
respondan con autonomía, gracias a su capacidad
para tomar decisiones a bordo y transmitir a tierra
información estrictamente necesaria y útil.
• Las tecnologías disruptivas, que generan cambios
drásticos en sus aplicaciones, como sucede con el
big data, el internet de las cosas, la inteligencia
artificial y la computación en la nube, impactan
positivamente en la percepción remota, situación
que puede mejorar, si actúan de manera integrada
y complementaria, como en el caso de la agricul-
tura inteligente.
 Jonás C. León Pérez
Referencias bibliográficas
Adamchuk, V.R. y Viscarra, R.A. (2010). Development of
on – the – go proximal soil sensor systems. En R.A.
Viscarra, A. McBratney y B. Minasny (eds.), Proximal
soil sensing (pp. 15-28). Nueva York: Springer.
Burrough, P.A. (1992). Development of intelligent geo-
graphical information systems. Int. J. Geographical
Information systems, 6(1), 1-11.
Channe, H., Kothari, S. y Kadam, D. (2015). Multi-
displinary model for Smart agricultura of the things
(IoI), sensors, cloud-computing, movile-computing &
big data analysis. Int. J. Computer Technology & Ap-
plications, 6(3), 374-382.
Chi, M., Plaza, A., Benediktsson, J.A., Sun, Z., Shen, J. y Zhu,
y. (2016). Big data for remote sensing: challenges and op-
portunities. Proceedings of the IEEE, 104(11), 2207-2219.
Chien E. (2004). The E0-1 Autonomous Spacecraft and
prospects for future autonomous space exploration.
California: Jet Propulsion Laboratory.
Dey, N., Bhatt, Ch. y Ashour, E.S. (eds.) (2019). Big data
for remote sensing: visualization, analysis and interpre-
tation. Suiza: Springer.
Gomarasca, M.A. (2009). Basic of geomatics. Nueva York:
Springer.
Green, K. (2018). Imagery and GIS Integration: why now?
ArcUser, 21(1), 60-61.
Guerrero-Ibañez, J., Estrada – Gonzalez, F. Medina – Te-
jada, M., Rivera – Gutiérrez, Ma., Alcaraz-Aguirre,
J., Maldonado-Mendoza, C., Toledo-Zuñiga, D. y Lo-
pez-Gonzalez, V. (2017). SGreenH-IoT: Platforma IoT
para agricultura de precisión. Sistemas, Cibernética e
Informática, 14(2), 53-58.
Jordan, L. (2018). A special relationship exists between
remote sensing and GIS. ArcUser, 21(1), 43-44.
Joyanes, L. (2013). Big data. Análisis de grandes volúme-
nes de datos en organizaciones. México: Alfaomega.
Kruize, J.W. (2017). From data harvesting with IoT to
Big Data in agricultura-current initiatives and future
perspectives [Power Point presentatie-slide 15]. 29 no-
vember 2017. Recuperado de 210.68.8.75/download/
S3/S3_Dr.%20kruize.pdf.
Leiva, F. (ed.). (2008). Agricultura de precisión en cultivos
transitorios. Bogotá: Editorial Univ. Nacional de Colombia.
León, J. (2010a). La inteligencia artificial convencional y la
inteligencia artificial distribuida (IAD) en los programas
espaciales de observación de la tierra. Análisis Geográ-
ficos, 44, 129-143.
León, J. (2010b). El radar y sus aplicaciones en la agricul-
tura. Análisis Geográficos, 44, 159 -174.
Liu, P. (2015). A survey of remote sensing big data. Front.
Environ. Sci., 3(45). DOI: 10.3389/fenvs.2015.00045.
UD y la Geomática • No 14. • 2019 • pp. 54-61. • p-ISSN: 2011-4990 • e-ISSN: 2344-8407
[ 61 ]
Liu, P., Di, L., Du, Q. y Wang, L. (2018). Remote sensing
big data: theory, methods and applications. Remote
Sens., 10. Doi: 10.3390/rs10050711.
Lyer, A. (2018). The evolution of remote sensing: Deliv-
ering on the promise of IoT. Recuperado de https://
www.datanami.com
Madrigal, V. (2019). Myriad: Earth observation automa-
tised using drones, IoT, AI and satellites. Recuperado
de: https://www.space-of-innovation.com
McAllister, J. (1991). Inteligencia artificial. Barcelona:
Limusa.
Moclan, C. (2016). Teledetección espacial: de los métodos
clásicos al big data. [Tesis Doctoral]. Universidad de
Valladolid, España.
Openshaw, S. y Openshaw, C. (1997). Artificial intelligence
in Geography. Inglaterra: John Wiley.
Salazar, J. y Fedez-Arroyabe, P. (2019). Aerial and satellite
imagery and Big Data: Blending old Technologies with
new trends. En N. Dey, CH. Bhatt y A. Ashour (eds.).
Big Data for remote sensing: visualization, analysis and
interpretation (pp. 39-59). Suiza: Springer.
Schwab, K. (2016). The fourth industrial revolution. Suiza:
Word Economic Forum.
Sierra, G., Bonson, E.; Núñez, C. y Orta, M. (1995). Sis-
temas expertos en contabilidad y administración de
empresas. Madrid: Ra-Ma.
Tzafestas, S.G. (2018). Synergy of IoT and IA in modern
society: the robotics and automation case. Robot Au-
tom Eng J., 3(5), 1-15.
Villa, G. Amoros, J., Bautista, N., Domenech, E., Gómez,
L., Plaza, N., Ruíz A. y Tejeiro, J.A. (2015). Técnicas
big data para procesado multitemporal de imágenes en
el proyecto FP7 SensyF (Sentinels Synergy Framework).
En J. Bustamante, R. Díaz-Delgado, D. Aragonéz, I.
Afán y D. García (eds.). Actas del XVI Congreso de la
Asociación Española de Teledetección (pp. 513-516).
Sevilla 21-23 octubre 2015.
Viscarra, R.A., McBratney, A., Minasny, B. (eds.) (2010).
Proximal soil sensing. Nueva York: Springer.
Wang, L., Ma, Y., Yan, J. Chang; V. y Zomaya, A.Y.
(2016). Pips Cloud: High performance cloud computing
for remote sensig big data management and processing.
Future Generation Computer Systems, 78(1) 353-368.
DOI: http://dx.doi.org/10.1016/j.future.2016.06.009.
Yang, Ch., Goodchild, M., Huang, Q., Nebert, D., Raskin,
R., Xu, Y., Bambacus, M. y Fay, D. (2011). Spatial
Cloud computing. How geospatial sciences could use
and help to shape cloud computing? Int. J. on Digital
Earth, 5, 305-329.
Zhang, L., Du, Q. y Datcu, M. (2015). Management and
analytics of remote sensing big data. Journal of Applied
Remote Sensing, 9(1).